AI · Machine Learning
Klasterisasi Daun Melon
Klasterisasi tanpa label pada citra daun melon dengan K-Means dan fitur tekstur GLCM — Best Team di IPB International Summer Course.
- Peran
- Machine Learning Engineer
- Durasi
- 8–20 Okt 2023
- Konteks
- IPB International Summer Course
- Stack
- Python
- scikit-learn
- OpenCV
- K-Means
- GLCM
Masalah
Di International Summer Course on AI and Optimization for Smart Agriculture (IPB, Okt 2023), tim kami menguji apakah citra daun melon bisa dikelompokkan secara otomatis untuk mendukung diagnosis penyakit dan pengelolaan tanaman.
Solusi
- Mengekstraksi fitur tekstur dengan gray-level co-occurrence matrix (GLCM).
- Mengelompokkan citra dengan K-Means (scikit-learn, OpenCV untuk pra-pemrosesan).
- Memilih jumlah klaster dengan SSE dan silhouette score — nilai yang berguna berkisar 3–6; kami memakai 6 karena memberi informasi paling banyak bagi pakar tanaman.
- Meninjau klaster bersama pakar tanaman: klaster-klaster itu ternyata sesuai dengan daun berpenyakit, kekurangan nutrisi, tanaman sehat, dan kelompok dengan gejala serupa.
Dampak
- klaster divalidasi bersama pakar tanaman
- 6klaster divalidasi bersama pakar tanaman
- penghargaan
- Best Teampenghargaan
Tim kami meraih Best Team, dan saya menerima penghargaan Best Local Participant.